[發(fā)明專(zhuān)利]基于人工智能的多風(fēng)險(xiǎn)參數(shù)企業(yè)風(fēng)險(xiǎn)評(píng)估方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202210165467.6
• 申請(qǐng)日: 2022-02-23
• 公開(kāi)（公告）號(hào): CN114595948A
• 公開(kāi)（公告）日: 2022-06-07
• 發(fā)明（設(shè)計(jì)）人: 岳看彬;岳山錯(cuò)
• 申請(qǐng)（專(zhuān)利權(quán)）人: 南京化科天創(chuàng)科技有限公司
• 主分類(lèi)號(hào): G06Q10/06
• 分類(lèi)號(hào): G06Q10/06;G06Q30/00
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

1.一種基于人工智能的多風(fēng)險(xiǎn)參數(shù)企業(yè)風(fēng)險(xiǎn)評(píng)估方法，其特征在于，包括：

獲取生產(chǎn)過(guò)程中預(yù)設(shè)時(shí)長(zhǎng)內(nèi)包含各風(fēng)險(xiǎn)參數(shù)的數(shù)據(jù)并進(jìn)行歸一化處理；

將各風(fēng)險(xiǎn)參數(shù)在不同時(shí)刻的數(shù)值與對(duì)應(yīng)的標(biāo)準(zhǔn)數(shù)值進(jìn)行比較，分別獲得不同風(fēng)險(xiǎn)參數(shù)在不同時(shí)刻的波動(dòng)性指標(biāo)；

構(gòu)建權(quán)重向量，各風(fēng)險(xiǎn)參數(shù)分別與所述權(quán)重向量中各元素對(duì)應(yīng)，并根據(jù)所述權(quán)重向量中各元素與同一時(shí)刻的各風(fēng)險(xiǎn)參數(shù)的波動(dòng)性指標(biāo)，分別獲得各時(shí)刻的風(fēng)險(xiǎn)狀態(tài)指標(biāo)；

獲得預(yù)設(shè)時(shí)長(zhǎng)內(nèi)所述風(fēng)險(xiǎn)狀態(tài)指標(biāo)的聚集程度以及分散程度，并將所述聚集程度與所述分散程度的乘積作為目標(biāo)函數(shù)，將使所述目標(biāo)函數(shù)取得最大的權(quán)重向量作為最優(yōu)權(quán)重向量；

根據(jù)最優(yōu)權(quán)重向量中各元素與同一時(shí)刻的各風(fēng)險(xiǎn)參數(shù)的波動(dòng)性指標(biāo)，分別獲得各時(shí)刻的最優(yōu)風(fēng)險(xiǎn)狀態(tài)指標(biāo)，當(dāng)所述最優(yōu)風(fēng)險(xiǎn)狀態(tài)指標(biāo)大于預(yù)設(shè)閾值時(shí)，判定存在安全隱患并發(fā)出警報(bào)。

2.根據(jù)權(quán)利要求1所述的基于人工智能的多風(fēng)險(xiǎn)參數(shù)企業(yè)風(fēng)險(xiǎn)評(píng)估方法，其特征在于，獲得預(yù)設(shè)時(shí)長(zhǎng)內(nèi)所述風(fēng)險(xiǎn)狀態(tài)指標(biāo)的聚集程度以及分散程度，包括：

獲得預(yù)設(shè)時(shí)長(zhǎng)內(nèi)所述風(fēng)險(xiǎn)狀態(tài)指標(biāo)的聚集程度，包括：

其中，權(quán)重向量對(duì)應(yīng)的預(yù)設(shè)時(shí)長(zhǎng)內(nèi)的聚集程度，為預(yù)設(shè)時(shí)長(zhǎng)內(nèi)第時(shí)刻的風(fēng)險(xiǎn)狀態(tài)指標(biāo)，為預(yù)設(shè)時(shí)長(zhǎng)內(nèi)第時(shí)刻的風(fēng)險(xiǎn)狀態(tài)指標(biāo)，為單位階躍函數(shù)，W為預(yù)設(shè)參數(shù)；

所述分散程度是通過(guò)預(yù)設(shè)時(shí)長(zhǎng)內(nèi)風(fēng)險(xiǎn)狀態(tài)指標(biāo)的方差獲得的。

3.根據(jù)權(quán)利要求1所述的基于人工智能的多風(fēng)險(xiǎn)參數(shù)企業(yè)風(fēng)險(xiǎn)評(píng)估方法，其特征在于，對(duì)包含各風(fēng)險(xiǎn)參數(shù)的數(shù)據(jù)進(jìn)行歸一化處理，包括：

對(duì)于與風(fēng)險(xiǎn)狀態(tài)呈正相關(guān)的風(fēng)險(xiǎn)參數(shù)，將風(fēng)險(xiǎn)參數(shù)的值減去預(yù)設(shè)時(shí)長(zhǎng)內(nèi)的最小值后，除以預(yù)設(shè)時(shí)長(zhǎng)內(nèi)的最大值與預(yù)設(shè)時(shí)長(zhǎng)內(nèi)的最小值的差值，分別得到歸一化各時(shí)刻風(fēng)險(xiǎn)參數(shù)的值；

對(duì)于與風(fēng)險(xiǎn)狀態(tài)呈負(fù)相關(guān)的風(fēng)險(xiǎn)參數(shù)，將風(fēng)險(xiǎn)參數(shù)在預(yù)設(shè)時(shí)長(zhǎng)內(nèi)的最大值減去風(fēng)險(xiǎn)參數(shù)的值后，除以預(yù)設(shè)時(shí)長(zhǎng)內(nèi)的最大值與預(yù)設(shè)時(shí)長(zhǎng)內(nèi)的最小值的差值，分別得到歸一化各時(shí)刻風(fēng)險(xiǎn)參數(shù)的值。

4.根據(jù)權(quán)利要求1所述的基于人工智能的多風(fēng)險(xiǎn)參數(shù)企業(yè)風(fēng)險(xiǎn)評(píng)估方法，其特征在于，將最優(yōu)權(quán)重向量中各元素與同一時(shí)刻的各風(fēng)險(xiǎn)參數(shù)的波動(dòng)性指標(biāo)對(duì)應(yīng)相乘，分別獲得各時(shí)刻的最優(yōu)風(fēng)險(xiǎn)狀態(tài)指標(biāo)后，所述方法還包括：

將各時(shí)刻的最優(yōu)風(fēng)險(xiǎn)狀態(tài)指標(biāo)以及各時(shí)刻的前一時(shí)刻的最優(yōu)風(fēng)險(xiǎn)狀態(tài)指標(biāo)進(jìn)行加權(quán)平均，將加權(quán)平均后的結(jié)果分別作為各時(shí)刻的最優(yōu)風(fēng)險(xiǎn)狀態(tài)指標(biāo)。

5.根據(jù)權(quán)利要求4所述的基于人工智能的多風(fēng)險(xiǎn)參數(shù)企業(yè)風(fēng)險(xiǎn)評(píng)估方法，其特征在于，所述加權(quán)平均過(guò)程中各時(shí)刻的前一時(shí)刻的最優(yōu)風(fēng)險(xiǎn)狀態(tài)指標(biāo)的權(quán)重為0.05。

6.根據(jù)權(quán)利要求1所述的基于人工智能的多風(fēng)險(xiǎn)參數(shù)企業(yè)風(fēng)險(xiǎn)評(píng)估方法，其特征在于，各風(fēng)險(xiǎn)參數(shù)對(duì)應(yīng)的標(biāo)準(zhǔn)數(shù)值是通過(guò)分別對(duì)各風(fēng)險(xiǎn)參數(shù)的歷史數(shù)據(jù)進(jìn)行統(tǒng)計(jì)后獲得的。

7.根據(jù)權(quán)利要求1所述的基于人工智能的多風(fēng)險(xiǎn)參數(shù)企業(yè)風(fēng)險(xiǎn)評(píng)估方法，其特征在于，將各風(fēng)險(xiǎn)參數(shù)在不同時(shí)刻的數(shù)值與對(duì)應(yīng)的標(biāo)準(zhǔn)數(shù)值進(jìn)行比較，分別獲得不同風(fēng)險(xiǎn)參數(shù)在不同時(shí)刻的波動(dòng)性指標(biāo)，包括：

式中，為第時(shí)刻風(fēng)險(xiǎn)參數(shù)的波動(dòng)性指標(biāo)，為第時(shí)刻風(fēng)險(xiǎn)參數(shù)的值，為風(fēng)險(xiǎn)參數(shù)的標(biāo)準(zhǔn)數(shù)值，為自然常數(shù)。

8.根據(jù)權(quán)利要求1所述的基于人工智能的多風(fēng)險(xiǎn)參數(shù)企業(yè)風(fēng)險(xiǎn)評(píng)估方法，其特征在于，根據(jù)所述權(quán)重向量中各元素與同一時(shí)刻的各風(fēng)險(xiǎn)參數(shù)的波動(dòng)性指標(biāo)，分別獲得各時(shí)刻的風(fēng)險(xiǎn)狀態(tài)指標(biāo)，包括：

將所述權(quán)重向量中各元素與同一時(shí)刻的各風(fēng)險(xiǎn)參數(shù)的波動(dòng)性指標(biāo)對(duì)應(yīng)相乘，分別獲得各時(shí)刻的風(fēng)險(xiǎn)狀態(tài)指標(biāo)。

9.根據(jù)權(quán)利要求1所述的基于人工智能的多風(fēng)險(xiǎn)參數(shù)企業(yè)風(fēng)險(xiǎn)評(píng)估方法，其特征在于，根據(jù)最優(yōu)權(quán)重向量中各元素與同一時(shí)刻的各風(fēng)險(xiǎn)參數(shù)的波動(dòng)性指標(biāo)，分別獲得各時(shí)刻的最優(yōu)風(fēng)險(xiǎn)狀態(tài)指標(biāo)，包括：

將最優(yōu)權(quán)重向量中各元素與同一時(shí)刻的各風(fēng)險(xiǎn)參數(shù)的波動(dòng)性指標(biāo)對(duì)應(yīng)相乘，分別獲得各時(shí)刻的最優(yōu)風(fēng)險(xiǎn)狀態(tài)指標(biāo)。

10.一種基于人工智能的多風(fēng)險(xiǎn)參數(shù)企業(yè)風(fēng)險(xiǎn)評(píng)估系統(tǒng)，包括：存儲(chǔ)器和處理器，其特征在于，所述處理器執(zhí)行所述存儲(chǔ)器存儲(chǔ)的計(jì)算機(jī)程序，以實(shí)現(xiàn)如權(quán)利要求1-9中任一項(xiàng)所述的基于人工智能的多風(fēng)險(xiǎn)參數(shù)企業(yè)風(fēng)險(xiǎn)評(píng)估方法。